CMU出品，计算机图形学秋季课程已上线，B站同步字幕视频

机器之心报道

作者：杜伟、小舟

为期 3 个多月的 CMU《计算机图形学》课程已经进入了最后的授课阶段，授课者也放出了大多数课程主题的线上视频。B 站也同步更新了这门课程的视频。

计算机图形学（Computer Graphics）是研究计算机在硬件和软件帮助下创建计算机图形的学科，近年来受到了学界和业界的广泛关注。该领域的研究者也越来越多，如计算机图形学大神 & 太极（Taichi）作者胡渊鸣、「为可微计算机图形学奠定基础」荣获 SIGGRAPH 最佳博士论文奖的太极二作李子懋等等。

让计算机图形学进一步走入大众视线的里程碑事件是，ACM 将 2019 年图灵奖授予了两位皮克斯联合创始人、计算机图形学专家 Patrick M. Hanrahan 和 Edwin E. Catmull。这是继 1988 年 IVAN SUTHERLAND 之后，图形学第二次获得图灵奖。

有关计算机图形学方面的课程 ciqian 也介绍过一些，如太极（Taichi）作者胡渊鸣于今年 6 月 1 日开设的线上课程《高级物理引擎实战指南 2020》，这门 10 节的课程主要讲授了基于物理的动画的基础和前沿知识。

国外有关该领域的课程不在少数。先前，CMU 计算机科学与机器人学助理教授 Keenan Crane 在推特宣布其讲授的计算机图形学课程（CMU 15-462/662）开课了，他表示：「任何对该课程感兴趣的读者都可以在线观看视频回放。」

课程主页：http://15462.courses.cs.cmu.edu/fall2020/courseinfo

课程概况

该课程全面介绍了计算机图形学，着重介绍了基本概念和技术，以及它们与相关领域的一些知识（包括渲染、动画、几何、成像）的交叉关系。

具体而言，该课程覆盖了以下诸多领域的知识：采样、混叠、插值、栅格化、几何变换、参数化、可视化、合成、滤波、卷积、曲线和曲面、几何数据结构、细分、meshing、空间层次结构、光线追踪、辐射学、反射、光场、几何光学、蒙特卡罗渲染、重要性采样、相机模型、高性能光线追踪、微分方程、time integration、数值微分、基于物理的动画、优化、数值线性代数、反向动力学、傅里叶方法、数据拟合、基于示例合成。

另外，学习者需要注意的是，基础的向量微积分和线性代数是该课程的主要部分。所以，有 C/C++ 或类似语言的基础编程经验对学习这门课程非常有帮助，因为该课程的编程作业将涉及大量的代码实现。

此外，该课程还推荐了一些参考书目，如 Pete Shirley 等所著的《计算机图形学基础》第 3 版、John F. Hughes 等所著的《计算机图形学：原理和实践》第 3 版。这些参考书目能够为全面、透彻地理解该课程提供帮助。

课程安排及相关主题

这门课程开始于 8 月 31 日，持续至 12 月 10 日，授课时长为 3 个多月。

课程全面详尽地介绍了计算机图形学方面的知识，具体而言，该课程的主题包含计算机图形学概论、线性代数、向量微积分、画三角形、空间变换、3D 旋转和复杂转换、投射投影和纹理映射、深度和透明性、几何学概论、mesh 和 manifold、数字几何处理、几何查询、空间数据结构、颜色。

此外，该课程也涉及到了辐射度学、渲染方程、数值积分、蒙特卡罗渲染、方差缩减、动画概论、动力学和 time integration、优化概论、基于物理的动画和偏微分方程、流体仿真以及频率、振动和傅里叶变换。

授课者 Keenan Crane 会在 Youtube 上实时更新课程视频，目前已经放出了优化概论（Introduction to Optimization）主题之前的 23 个视频。对国内用户更友好的是，B 站也同步更新了相应视频，并且添加了英文字幕，感兴趣的读者可前往 B 站观看。

B 站视频地址：https://www.bilibili.com/video/BV1QZ4y1K7ga?p=1

授课者简介

该课程的授课者是卡内基梅隆大学（CMU）计算机科学与机器人学的助理教授 Keenan Crane，他同时也是卡内基梅隆大学 Center for Nonlinear Analysis 的成员。

Keenan Crane 本科毕业于伊利诺伊大学厄巴纳 - 香槟分校，并曾是加州理工学院（Caltech）的谷歌 PhD Fellow 以及哥伦比亚大学的 NSF 数学科学博士后研究员。他还曾荣获 NSF 杰出青年奖（NSF CAREER Award）。

授课者个人主页：http://www.cs.cmu.edu/~kmcrane/

Java工程师入门深度学习（二）：DJL推理架构详解

DJL是亚马逊推出的开源的深度学习开发包，它是在现有深度学习框架基础上使用原生Java概念构建的开发库。DJL目前提供了MXNet,、PyTorch和TensorFlow的实现。Java开发者可以立即开始将深度学习的SOTA成果集成到Java应用当中。

11月3日20:00，李政哲（AWS软件开发工程师）将带来线上分享，介绍DJL推理模块并结合具体场景讲解各模块使用方法，推理 API 的使用方法以及如何优化推理速度，如何部署在微服务、大数据服务以及移动端并搭配客户成功案例的讲解。

• 添加机器之心小助手：syncedai5，邀请加入DJL交流群。